建立准确的模型对化学工程的理论研究和实际应用都有重要的意义。由于很多化工对象都比较复杂,而且机理也不甚明了,因此,很难直接通过机理建立准确的模型。神经网络建模不需要考虑机理,根据样本数据即可建立起过程模型。本文重点研究了小波神经网络(Wavelet Neural Network,WNN)学习算法及其改进,以及网络结构的优化。全文主要内容如下:(1) 介绍了神经网络的起源和发展,以及几种典型的神经网络的特点,包括多层前传网络、Hopfiled网络、Grossberg网络、SOFM网络、递归网络、RBF网络、模糊神经网络。并介绍了神经网络在化工领域的应用。(2) 介绍了小波分析和小波神经网络的起源和发展,研究了小波网络的逼近性能,分别介绍了连续小波网络和离散小波网络各自的特点,学习算法和参数的初始化和修正,着重讨论了连续小波的混合训练算法。并对小波网络在化学化工方面的应用做了介绍。(3) 利用小波网络的逼近性,对非线性系统进行建模和预测,通过渣油裂解的实例,将小波网络与RBF网络作为对比,可以看出,小波网络的建模和预测效果都优于RBF网络。文章最后对所做的工作进行了总结,并在此基础上,提出了今后的研究发展方向。